Verbien nominaalimuodot informoivissa selko- ja yleiskielisissä viranomaisteksteissä : Vertaileva kielensisäinen käännöstutkimus
Notice bibliographique
Résumé
Tutkielmassani tarkastelen suomen kielen verbien nominaalimuotoja informoivissa selko- ja yleiskielisissä viranomaisteksteissä. Lähestyn aihetta käännöstieteellisestä näkökulmasta, jota Suomessa on selkokielen tutkimuksessa hyödynnetty vasta vähän. \n \nTutkielmassani selvitän, eroavatko informoivien selkokielisten viranomaistekstien nominaalimuotojen määrät niiden yleiskielisistä vastineista ja millä tavalla. Selvitän myös, minkälaisia käännösstrategioita nominaalimuotojen kohdalla on käytetty ja minkälaisiin käännösratkaisuihin niiden osalta on päädytty. Lisäksi arvioin, miten tehdyt käännösratkaisut suhteutuvat selkokielen kriteereihin, jotka tässä tutkimuksessa ovat kriteereinä myös selkokielisten kohdetekstien oletetulle skopokselle, ymmärrettävyydelle. \n \nTutkimuksen aineisto koostuu yhteensä 16 selko- ja yleiskielisestä tekstistä eli yhteensä 8 tekstiparista ja niissä esiintyvistä nominaalimuodoista. Aineiston tekstiparit on kohdennettu virke kerrallaan, ja teksteissä esiintyviä nominaalimuotoja tarkastellaan sekä koko aineiston tasolla että vain sisällöllisesti ekvivalentilla tasolla. Aineistosta tuotetaan sekä määrällistä että laadullista tietoa. Käännöstieteen puolelta hyödynnän erityisesti ekvivalenssin käsitettä ja skoposteoriaa. Selkokielen tutkimuksen puolelta hyödynnän puolestaan erityisesti selkokielen mittarissa määriteltyjä selkokielen kriteereitä sekä muuta tutkimukseen pohjaavaa tietoa selkokielestä. \n \nTutkimustulokset osoittavat, että aineiston selkokielisissä teksteissä käytetään nominaalimuotoja lähes yhtä paljon kuin aineiston yleiskielisissäkin teksteissä. Sen sijaan vaikeiksi katsottuja nominaalimuotoja käytetään aineiston selkokielisissä teksteissä huomattavasti aineiston yleiskielisiä tekstejä vähemmän. Tutkimustulokset osoittavat myös, että aineiston selkokielisissä teksteissä yleiskielisten tekstien nominaalimuotojen kohdalla on käytetty seuraavia käännösstrategioita: nominaalimuodon säilymistä samana, nominaalimuodon poistoa, nominaalimuodon lisäystä sekä nominaalimuodon korvausta toisella nominaalimuodolla. \n \nAineiston käännösstrategioiden tuottamista käännösratkaisuista neljä tyypillisintä ratkaisua ovat verbiketju, yksiosainen finiittiverbi, koko nominaalimuotoa kantavan sanan poisto sekä liittotempus. Aineiston tyypillisimmät käännösratkaisut vastaavat pitkälti selkokielen kriteereitä ja siten tekstien oletettua skoposta, ymmärrettävyyttä. Käännösratkaisujen tarkastelu osoittaa kuitenkin myös, etteivät ratkaisut ole missään tilanteissa yksiselitteisiä, vaan niiden vaikutuksia on arvioitava pidemmälle kuin vain itse nominaalimuotoiseen ilmaukseen. Erityisesti on huomioitava, etteivät useampiosaisten nominaalimuotoisten ilmausten osat ole tarpeettomasti erillään tai tarpeettoman kaukana toisistaan sekä etteivät uutta sivulausetta edellyttävät käännösratkaisut tuota liikaa sellaisia virkkeitä, joissa on useampi kuin yksi sivulause. \n \nToistaiseksi osittain epäselviksi jäävät verbiliittojen ja verbiketjujen ymmärrettävyys suhteessa toisiinsa sekä elliptisten ilmausten soveltuvuus selkokieleen. Tulevaisuudessa näitä kahta voisikin tarkastella lähemmin. Toisaalta myös käännöstieteellisessä näkökulmassa riittää varmasti myös vielä paljon tarkasteltavaa.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».